MARC

 008260126s2021        us                              c    eng  d
■001000017360534
■00520260202105543
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263399924
■035    ▼a(MiAaPQ)AAI32315393
■035    ▼a(MiAaPQ)GeorgiaTech66100
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.384
■1001  ▼aChawla,  Nikhil.
■24510▼aMachine  Learning  Methodologies  for  Low-Level  Hardware-Based  Malware  Detection
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2021
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2021
■300    ▼a138  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Mukhopadhyay,  Saibal.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2021.
■520    ▼aMalicious  software  continues  to  be  a  pertinent  threat  to  the  security  of  critical  infrastructures  harboring  sensitive  information.  The  abundance  in  malware  samples  and  the  disclosure  of  newer  vulnerability  paths  for  exploitation  necessitates  intelligent  machine  learning  techniques  for  effective  and  efficient  malware  detection  and  analysis.  Software-based  methods  are  suitable  for  in-depth  forensic  analysis,  but  their  on-device  implementations  are  slower  and  resource  hungry.  Alternatively,  hardware-based  approaches  are  emerging  as  an  alternative  approach  against  malware  threats  because  of  their  trustworthiness,  difficult  evasion,  and  lower  implementation  costs.  Modern  processors  have  numerous  hardware  events  such  as  power  domains,  voltage,  frequency,  accessible  through  software  interfaces  for  performance  monitoring  and  debugging.  But,  information  leakage  from  these  events  are  not  explored  for  defenses  against  malware  threats.  This  thesis  demonstrates  approach  towards  malware  detection  and  analysis  by  leveraging  low-level  hardware  signatures.The  proposed  research  aims  to  develop  machine  learning  methodology  for  detecting  malware  applications,  classifying  malware  family  and  detecting  shellcode  exploits  from  low-level  power  signatures  and  electromagnetic  emissions.  This  includes  1)  developing  a  signature  based  detector  by  extracting  features  from  DVFS  states  and  using  ML  model  to  distinguish  malware  application  from  benign.  2)  developing  ML  model  operating  on  frequency  and  wavelet  features  to  classify  malware  behaviors  using  EM  emissions.  3)  developing  an  Restricted  Boltzmann  Machine  (RBM)  model  to  detect  anomalies  in  energy  telemetry  register  values  of  malware  infected  application  resulting  from  shellcode  exploits.  The  evaluation  of  the  proposed  ML  methodology  on  malware  datasets  indicate  architectureagnostic,  pervasive,  platform  independent  detectors  that  distinguishes  malware  against  benign  using  DVFS  signatures,  classifies  detected  malware  to  characteristic  family  using  EM  signatures,  and  detect  shellcode  exploits  on  browser  applications  by  identifying  anomalies  in  energy  telemetry  register  values  using  energy-based  RBM  model.
■590    ▼aSchool  code:  0078.
■650  4▼aTelemetry
■650  4▼aExploitation
■650  4▼aMalware
■650  4▼aSoftware  upgrading
■650  4▼aComputer  viruses
■650  4▼aEnergy
■650  4▼aGovernors
■650  4▼aComputer  science
■690    ▼a0791
■690    ▼a0800
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2021
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360534▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서